MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification

Motivation

• Known: Medical time series(MedTS) 분류에는 CNN 기반 방법(EEGNet 등)의 local morphology 추출, Transformer 기반 방법(Medformer 등)의 장거리 의존성 모델링, GNN 기반 방법(MTGNN, AGCRN 등)의 채널 간 상호작용 모델링이 존재하며, 최근 Mamba 등 state space model이 선형 복잡도로 긴 시퀀스를 처리하는 대안으로 주목받고 있다.
• Gap: 기존 방법들은 local-global dynamics를 함께 모델링하지 못하고, baseline drift 같은 nonstationarity에 취약하며, 채널 간 latent dependency를 predefined graph 없이 데이터 기반으로 포착하지 못한다는 한계가 있고, 표준 Mamba 역시 scale-variant local morphology 포착이나 다채널 상호작용 모델링을 위한 전용 메커니즘이 없다.
• Why: EEG, ECG 등 medical time series의 정확한 분류는 조기 이상 탐지, 진단, 개인 맞춤형 치료 계획 수립 등 임상 의사결정에 직접적으로 기여하므로, drift에 강건하면서도 효율적이고 채널 간 상호작용을 포착할 수 있는 분류 모델의 개발은 실질적인 의료 응용 가치가 크다.
• Approach: MedMamba는 multi-scale convolutional embedding으로 local morphology를 포착한 뒤, tri-branch differential state space encoder로 raw/temporal-difference/frequency-domain 뷰를 융합해 drift를 억제하고, spatial graph Mamba module로 sparsity와 acyclicity로 정규화된 directed dependency graph를 학습하여 채널 간 상호작용을 모델링하는 구조를 제안한다.

Achievement

1. SOTA 성능 달성: 5개의 실제 medical time series 데이터셋에서 subject-dependent 및 subject-independent 평가 프로토콜 모두에 대해 기존 강력한 baseline 대비 일관된 성능 향상을 보였다.
2. 선형 복잡도 유지: Transformer 기반 방법의 quadratic complexity 문제를 극복하여, 시퀀스 길이에 대해 linear computational complexity를 유지하면서도 높은 성능을 달성했다.
3. 컴포넌트별 기여 검증: MCE, TDSSE, SGM 각 모듈에 대한 ablation study를 통해 각 컴포넌트가 성능 향상에 기여함을 실증적으로 확인했다.

How

• Multi-scale convolutional embedding(MCE): 서로 다른 kernel size의 convolution을 사용하여 discriminative local morphology를 다중 스케일로 포착
• Tri-branch differential state space encoder(TDSSE): raw view, temporal-difference view, frequency-domain view의 세 branch를 각각 state space model로 인코딩한 뒤 융합하여 informative pattern은 강조하고 baseline drift와 같은 nonstationary 성분은 억제
• Spatial graph Mamba module(SGM): 센서(채널)들 간의 directed dependency structure를 데이터로부터 직접 학습하며, sparsity와 acyclicity 제약으로 정규화하여 predefined graph 없이도 해석 가능하고 효율적인 cross-channel 관계를 발견
• 전체 파이프라인은 end-to-end로 학습되며 5개의 실제 medical time series 데이터셋(EEG/ECG 등)에서 sample-based와 subject-based 두 평가 프로토콜로 검증

Originality

• 기존 Mamba 기반 biosignal 모델(EEGMamba, TSCMamba)이 global sequence modeling에만 집중한 것과 달리, local morphology, nonstationarity, cross-channel dependency를 모두 통합적으로 다루는 최초의 아키텍처를 제시
• Raw, differential, frequency-domain의 세 가지 view를 tri-branch state space encoder로 통합하여 baseline drift 문제에 특화된 해결책을 state space 프레임워크 내에서 구현
• Predefined anatomical graph나 fully-connected graph에 의존하지 않고, sparsity와 acyclicity 정규화를 통해 sample-adaptive한 directed dependency graph를 학습하는 graph Mamba module 설계

Limitation & Further Study

• Sparsity와 acyclicity 정규화 항의 hyperparameter 민감도 및 다양한 도메인(EEG 외 다른 생체신호)에 대한 일반화 가능성에 대한 추가 검증이 필요해 보임
• 학습된 directed dependency graph의 임상적 해석 가능성(실제 생리학적 연결성과의 일치 여부)에 대한 심층 분석이 부족할 수 있음
• 5개 데이터셋 모두 특정 도메인(EEG/ECG 중심)에 제한되어 있어, 다른 유형의 medical time series(예: 웨어러블 센서 데이터)에 대한 확장성 검증이 후속 연구로 필요
• Tri-branch 구조로 인한 추가 연산 비용과 실제 임상 배포 시의 실시간성에 대한 논의가 제한적

Evaluation

총평: State space model의 효율성과 의료 시계열 특유의 도메인 지식(drift, 채널 상호작용)을 결합한 새로운 아키텍처로, 실용적 성능과 이론적 참신성을 균형 있게 갖춘 견고한 연구이나 임상적 해석 가능성에 대한 추가 검증이 향후 과제로 남는다.